本发明专利技术涉及一种面向计算中心温湿度智能预测的影响因子解释方法及系统，生成向量形式的影响因子数据；建立并训练得到智能预测模型；根据智能预测模型输出的预测结果，计算每个影响因子的贡献度，根据贡献度选择得到重要影响因子集合；在重要影响因子集合中选择任意两个影响因子作为一个单位的交互因子，采用模型无关后解释的方法计算每个交互因子的贡献度；将得到的影响因子和交互因子进行汇总，在知识数据库中进行筛选出与影响因子结果相关的文献并进行映射，对智能预测模型的解释结果进行评估；采取传统线性模型和深度学习模型找出对预测结果具有影响力的关键因子，提供可解释性，为计算中心的环境设置提供参考，以使计算中心更加稳定和智能。算中心更加稳定和智能。算中心更加稳定和智能。
【技术实现步骤摘要】
面向计算中心温湿度智能预测的影响因子解释方法及系统
[0001]本专利技术涉及机器学习领域，尤其涉及一种面向计算中心温湿度智能预测的影响因子解释方法。
技术介绍
[0002]计算中心比如高校机房，安装了大量的服务器，是教学以及学术研究等内容的关键硬件保障。如今大学实验室机房大多不对机房环境，尤其是温湿度进行特别设置，这可能会导致服务器和PC机出现一些问题，或者造成使用寿命缩减。
[0003]在探究对智能方法预测结果具有影响的因子方面，传统方法多采用线性模型，但其无法反应交互因子的重要程度，为了研究交互因子对预测结果的影响并使预测更加高效，如今在预测模型的选择上更偏向于使用深度学习预测模型，如：卷积神经网络，自组织图聚类，基于attention注意力的方法等。采用深度学习预测模型可以充分地学习大数据地各种特征，解决多种非线性问题，综合各个维度信息进而给出预测结果。但是由于深度学习模型被认为是一种黑盒模型，我们无法清楚其内部具体如何计算，也因此原因缺乏对预测结果的可解释性，这也限制了深度学习预测模型在一些实际应用方面的广泛使用。
[0004]为了解决上述问题，可解释深度预测模型得到了研究人员更多的实验与探究。近年来，为了使深度学习模型更加透明，使其预测结果具有更好的可解释性，研究人员公布了多种具有现实意义的机器学习预测实际问题方法，并在提高其可解释性上取得成效，中国申请专利CN114862069A提出了一种牧草叶面积的预测模型，以及中国申请专利CN114844115A公布了一种基于模型预测控制的光伏变流器构网控制方法。说明了可解释性模型预测方法已经在实际应用预测时进行了使用，中国申请专利CN104123605A公开了一种电网数据的影响因子的计算并对其进行解释的方法，中国申请专利CN109859467B公开了一种交通模型中环境影响因子的计算分析方法，该方法采用混合高斯模型挖掘影响因子，并对其进行可解释分析。
[0005]上述方法虽然可以得到预测结果的影响因子并对其进行解释，但其大多数应用场景都较为简单，数据与预测结果关系较为明显，并没有对交互因子的重要性进行探究。而其中一些传统标签预测方法，即基于数据统计的方法，如KNN、决策树、随机森林、集成学习等，虽然在某些数据集上效果呈现出较好的表现，可以得出预测结果的影响因子，但是一旦增加数据量，数据与预测内容的关系不再明显(如非线性关系)，传统标签预测方法就可能呈现出比较乏力的状态。
技术实现思路
[0006]本专利技术针对现有技术中存在的技术问题，提供一种面向计算中心温湿度智能预测的影响因子解释方法及系统，通过在计算中心设置传感器，获取计算中心室内外温湿度，计算中心用电量等数据信息，采取传统线性模型和深度学习模型找出对预测结果具有影响力的关键因子，提供可解释性，为计算中心的环境设置提供参考，以使计算中心更加稳定和智
能。
[0007]根据本专利技术的第一方面，提供了一种面向计算中心温湿度智能预测的影响因子解释方法，包括：
[0008]步骤1，对采集的影响因子进行预处理，生成向量形式的影响因子数据；
[0009]步骤2，建立并训练得到智能预测模型，所述智能预测模型的输入为各个所述影响因子，输出为预测温度和预测湿度；
[0010]步骤3，根据所述智能预测模型输出的预测结果，计算每个所述影响因子的贡献度，根据所述贡献度选择得到重要影响因子集合；
[0011]步骤4，在所述重要影响因子集合中选择任意两个所述影响因子作为一个单位的交互因子，采用模型无关后解释的方法计算每个所述交互因子的贡献度；
[0012]步骤5，将得到的所述影响因子和所述交互因子进行汇总，在知识数据库中进行筛选出与所述影响因子结果相关的文献并进行映射，对所述智能预测模型的解释结果进行评估。
[0013]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0014]可选的，所述步骤1中采集的影响因子包括：计算中心基本环境数据和传感器采集的环境数据；所述计算中心基本环境数据包括：新风风机开关状态以及计算中心总用电量；所述传感器采集的环境数据包括：机房周边室外温度、机房周边室外湿度、室内温度和室内湿度；
[0015]对采集的影响因子进行预处理的过程包括：将采集的各种影响因子数据进行整合后，将采集到的数据中不合理及错误的数据进行剔除。
[0016]可选的，所述步骤1中生成向量形式的影响因子数据X的过程中：
[0017]向量X由影响因子的值和影响因子的位置编码组成；
[0018]所述位置编码采用直接将一个整数映射到一个d维向量上。
[0019]可选的，所述步骤2中建立的所述智能预测模型为：以传统机器学习模型捕捉因子间线性关系或使用深度学习模型捕捉因子间的非线性关系，实现温度和湿度的预测。
[0020]可选的，所述步骤2建立并训练得到所述智能预测模型的过程还包括：
[0021]步骤201，初始化所述智能预测模型训练的参数；
[0022]步骤202，确定所述智能预测模型训练采取的损失函数，并通过梯度下降方法对智能预测模型的参数进行优化；
[0023]步骤203，对所述智能预测模型进行训练直到所述损失函数的损失值达到预设的较优状态范围。
[0024]可选的，所述步骤3和所述步骤4中计算所述贡献度的方法包括：
[0025]步骤301，将所述预测结果中的不同温湿度划分为不同区间；
[0026]步骤302，计算用来评估子集合S中的特征在所述智能预测模型中的贡献度，所述特征为所述影响因子或交互因子，计算公式为：
[0027][0028]其中，ｘ1，．．．，ｘ
ｐ
表示评估子集合S中各个特征，p表示评估子集合S中的特征的个
数，表示不同特征的预测值，表示样本的预测均值；
[0029]步骤303，使用后解释方法夏普利值理论计算每个独立特征对不同温湿度区间的预测结果的贡献度，计算公式为：
[0030][0031]其中，j表示特征的序号数，N表示总集合，S为总集合N的子集合，|S|表示子集合S包含的元素个数，n表示子集合S的个数，val(S)表示评估子集合S中特征在所述智能预测模型中的贡献程度。
[0032]可选的，所述步骤4包括：使用所述步骤301
‑
步骤303中方法对每个交互因子进行计算并作后处理，得到每个交互因子对预测得到的不同区间温湿度的贡献程度。
[0033]可选的，所述步骤5包括：
[0034]步骤501，将得到的所述影响因子和所述交互因子进行汇总，并确定检索关键字；
[0035]步骤502，在知识数据库中检索，通过标题和摘要筛选得到初次筛选结果，再根据正文内容进行二次筛选，得到包含所需内容的文献；
[0036]步骤503，从筛选得到的所述文献中提取重要因子；
[0037]步骤504，将所述影响因子与所述文献中的重要因子进行映射，记录与所述文献中相似的数据和有偏差本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种面向计算中心温湿度智能预测的影响因子解释方法，其特征在于，所述影响因子解释方法包括：步骤1，对采集的影响因子进行预处理，生成向量形式的影响因子数据；步骤2，建立并训练得到智能预测模型，所述智能预测模型的输入为各个所述影响因子，输出为预测温度和预测湿度；步骤3，根据所述智能预测模型输出的预测结果，计算每个所述影响因子的贡献度，根据所述贡献度选择得到重要影响因子集合；步骤4，在所述重要影响因子集合中选择任意两个所述影响因子作为一个单位的交互因子，采用模型无关后解释的方法计算每个所述交互因子的贡献度；步骤5，将得到的所述影响因子和所述交互因子进行汇总，在知识数据库中进行筛选出与所述影响因子结果相关的文献并进行映射，对所述智能预测模型的解释结果进行评估。2.根据权利要求1所述的影响因子解释方法，其特征在于，所述步骤1中采集的影响因子包括：计算中心基本环境数据和传感器采集的环境数据；所述计算中心基本环境数据包括：新风风机开关状态以及计算中心总用电量；所述传感器采集的环境数据包括：机房周边室外温度、机房周边室外湿度、室内温度和室内湿度；对采集的影响因子进行预处理的过程包括：将采集的各种影响因子数据进行整合后，将采集到的数据中不合理及错误的数据进行剔除。3.根据权利要求1所述的影响因子解释方法，其特征在于，所述步骤1中生成向量形式的影响因子数据X的过程中：向量X由影响因子的值和影响因子的位置编码组成；所述位置编码采用直接将一个整数映射到一个d维向量上。4.根据权利要求1所述的影响因子解释方法，其特征在于，所述步骤2中建立的所述智能预测模型为：以传统机器学习模型捕捉因子间线性关系或使用深度学习模型捕捉因子间的非线性关系，实现温度和湿度的预测。5.根据权利要求1所述的影响因子解释方法，其特征在于，所述步骤2建立并训练得到所述智能预测模型的过程还包括：步骤201，初始化所述智能预测模型训练的参数；步骤202，确定所述智能预测模型训练采取的损失函数，并通过梯度下降方法对智能预测模型的参数进行优化；步骤203，对所述智能预测模型进行训练直到所述损失函数的损失值达到预设的较优状态范围。6.根据权利要求1所述的影响因子解释方法，其特征在于，所述步骤3和所述步骤4中计算所述贡献度的方法包括：步骤301，将所述预测结果中的不同温湿度划分为不同区间；步骤302，计算用来评估子集合S中的特征在所述智能预测模型中的贡献度，所述特征...
【专利技术属性】
技术研发人员：李琳，王高凯，李雪菁，吴小华，袁景凌，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。